不只是另一个 Workflow Builder：LangChain 的不同选择

在 AI 智能体开发领域，“可视化工作流构建器（Visual Workflow Builder）”似乎成了新宠。 当 OpenAI 刚刚发布 AgentKit，众多工具如雨后春笋般进入这一赛道时，LangChain 却选择了另一条路。

为什么我们始终没有推出自己的可视化工作流构建器？答案或许与你想的不一样。

一、从 Day 0 开始的呼声

自 LangChain 创立以来，我们收到最多的用户请求之一，就是：“能不能出个可视化工作流构建器？” 但直到今天，我们仍未推出，而是让其他工具——LangFlow、Flowise、n8n——在我们之上去构建。

随着 OpenAI 在 Dev Day 上推出 AgentKit，这一话题再次被推到聚光灯下。 今天，我们想分享为什么我们至今没有构建这样的工具，以及我们更感兴趣的方向是什么。

二、问题定位：谁需要什么？

首先，明确一点：这些无代码工作流构建器（No-Code Workflow Builder）究竟在解决什么问题？ 核心动机是——让非技术用户也能构建智能体（Agent）。

这类需求的出现，通常出于两个原因：

1. 公司在工程人力上更为紧张；
2. 非技术用户往往最了解“应该构建怎样的智能体、它该做什么”。

当然，也有人将这些工具用于快速原型设计，再迁移到代码中。但总体目标相同： 👉 让组织中的每个人都能独立构建自己的 AI 应用，而无需依赖工程支持。

三、Workflows vs Agents：根本的思维差异

我们在一篇文章中曾为“工作流”辩护（讽刺的是，那是回应 OpenAI 一篇“反对工作流”的文章）。

社区普遍接受的 Agent 定义 是：

💡 An LLM Agent runs tools in a loop to achieve a goal.

简单来说：

• Workflow提供更高的可预测性（Predictability），但牺牲了自主性；
• Agent拥有更强的自主性（Autonomy），但失去了可预测性。

而我们追求的，是“reliably good”——既稳定又灵活的结果。

🔹 Workflows 通常具有复杂的分支逻辑、并行结构和多路径执行，其复杂性被表示为一个 DSL 图结构。 🔹 Agents 则将复杂逻辑“隐藏”在自然语言 Prompt 中，虽然结构简单（Prompt + Tools），但语义丰富。

因此，无论是 OpenAI 的 AgentKit，还是 n8n、Flowise、LangFlow，它们本质上都是可视化的 Workflow Builder，而不是 Agent Builder。

四、可视化工作流构建器的两大局限

1️⃣ 并没有真正降低门槛虽然号称“人人可用”，但对于普通非技术用户而言，依然需要相当的逻辑思维与操作经验。

2️⃣ 随着复杂度提升，系统变得难以管理一旦任务超过某个复杂度阈值（而这通常发生得很快），用户就会陷入一张“节点与连线的蜘蛛网”，可视化反而成了障碍。

五、我们更关注的替代方案

我们的目标不是“让画布更好看”，而是构建可靠的 LLM 驱动系统（LLM-powered Systems）。 在不同复杂度下，最优方案也应不同：

🔹 高复杂度任务：Workflow in Code

对于分支繁多、模块化强的系统，代码仍然是最优解。 例如 LangGraph，正是为这种高复杂度任务而设计。

过去这意味着“非技术用户无能为力”， 但随着代码生成成本趋近于零，越来越多用户能“用自然语言生成代码”，这正在改变一切。

🔹 低复杂度任务：No-Code Agents

对于简单场景，一个由 Prompt + Tools 组成的 Agent 就足以稳定运行。 这类无代码智能体的构建方式，理应比 Workflow 更简单。

随着模型能力持续提升，这类智能体的应用上限也在不断扩大。

六、“中间层”的困境：被双向挤压的无代码工作流

目前，无代码 Workflow Builder 正在遭受“双向夹击”：

向下，智能体正以更高的可靠性和可教性逐步替代工作流； 向上，代码生成正迅速降低门槛，让开发者更倾向直接编写可维护的代码。

这意味着，未来“画图式”的构建方式将越来越难以在复杂任务中保持高效。

七、真正值得探索的问题

不可否认，n8n、Flowise、LangFlow、Gumloop 等团队在 democratizing LLM-powered workflows 方面做得非常出色—— 它们确实帮助非技术用户构建出了许多优秀的 AI 应用。

但世界真的需要“又一个 Workflow Builder”吗？

我们认为，更值得探索的方向是：

• 如何让用户以无代码方式构建“reliably good”的Agent？
• 如何让代码生成模型更擅长编写 LLM 驱动的Workflow / Agent？

八、结语：从“画流程”到“教智能体”

AI 应用开发的下一阶段，不在于谁的画布更绚丽， 而在于——谁能让智能体更可靠、更可教（Teachable）。

未来的构建方式，也许不再是拖拽节点，而是：与智能体对话，共同学习，共同进化。

❝

💭 当你考虑为团队引入 AI 解决方案时，不妨先问自己： 这个问题真的需要复杂的 Workflow 吗？ 还是一个设计精良的 Agent 就已足够？

或许，最简单的方案，才是最优解。

原文链接：Not Another Workflow Builder (LangChain Blog)

本文转载自​​​​​​​​​​AI小智​​​​​​​​​​，作者： AI小智